驾驶疲劳监测技术研究综述

张佐营 叶桂荀

摘  要：疲劳驾驶是导致恶性交通事故的重要原因，多年来，一直受到人们的广泛关注。国内外学者围绕驾驶员疲劳监测问题开展了大量研究工作，提出了基于心电、脑电、脉搏、面部状态、操作参数监测等诸多方法，用于判定驾驶员的疲劳状态。本文对国内外的研究现状进行了综述，为致力于疲劳驾驶研究工作的技术人员提供参考。

关键词：驾驶疲劳;监测技术;综述

中图分类号：U491       文献标识码：A       文章编号：1005-2550（2022）01-0008-07

Review On Driving Fatigue Detection

Zhang Zuo-ying1，2， YE Gui-xun2

（ 1.Working Station for Doctor of GuangDong Institute of Arts and Sciences， ZhanJiang 524471， China 2.School of Intelligent Manufacturing of GuangDong Institute of Arts and Sciences， ZhanJiang 524471， China ）

Abstract： People’s attention has been focused on driving fatigue many years because it took an important role on fatal traffic accidents. In the field of driver fatigue detection， continuous research was being performed. Many methods were presented to monitor the fatigue of drivers. Changes in biological signals， physical feature of drivers and vehicular features can be accurate methods to detect fatigue. Biological signals include electroencephalography （EEG）， electrocardiogram （ECG）， electro-oculography （EoG） and surface electromyogram （sEMG）. In this paper， the status of driving fatigue research is reviewed which provides reference for the development of the fatigue detection technology.

Key Words： Driving Fatigue; Detection Technology; Review

前    言

隨着我国经济的高速发展，汽车已成为中国公民最常用的交通运输工具，据公安部的统计，2020年我国机动车保有量达3.72亿辆，其中汽车保有量为2.81亿辆，与美国基本持平，并列世界第一。汽车给我们生活提供便利的同时，也带来了一系列问题，比如交通事故的频发，每年造成较大的人员伤亡，给人们生命财产造成巨大损失。据国家统计局发布的《2019年国民经济和社会发展公报》[1]数据，2019年中国交通事故受伤人数275125人，车祸死亡人数为52388人。根据以往的数据统计，在导致交通事故的诸多原因中，疲劳驾驶是肇事致人死亡数量最多的因素之一，其每年造成的事故死亡人数都占到机动车事故死亡人数的 10.9%以上[2]。

关于驾驶疲劳的概念，业内一直存在争议，至今尚没有精确的定义。但基本上可以认为，驾驶疲劳是指由于长时间驾驶，因脑力和体力消耗而产生的一种生理、心理机能衰退现象，其直接导致的结果是驾驶员反应迟钝、动作迟缓、对外界环境的感知、判断能力和控制车辆的能力下降[3]。 此时，若驾驶员继续驾车则很容易引发交通事故，给交通安全带来很大隐患。

基于疲劳驾驶带来的危害，国内外专家学者投入了大量的精力，研究驾驶疲劳的实时监测技术，通过各种检测方法去评价驾驶员的疲劳状态，在此基础上，对驾驶员进行疲劳预警，提醒驾驶员进行休息。这些研究成果在促进交通安全、降低疲劳导致的交通事故率方面，做出了巨大的贡献。

1    驾驶疲劳监测方法的研究进展

国内外关于驾驶疲劳的研究主要围绕驾驶疲劳产生的机理、驾驶疲劳实时监测评价技术、以及减缓驾驶疲劳的对策和干预措施展开。其中有关驾驶疲劳实时监测方法的研究是最大的热点，投入最大，成果也最为丰硕[4]。综观国内外有关驾驶疲劳监测方法的研究，按照监测的物理量来分类，可以分为检测驾驶员的生理信号变化、检测车辆操作参数、检测驾驶员的身体行为指标等三类方法。通过研究这些指标信号与疲劳状态的关联性来评价驾驶员的疲劳状态，并通过语音提示进行报警，以提示驾驶员注意休息[5-29]。驾驶疲劳监测方法的分类如图1所示：

1.1   基于生理指标的驾驶疲劳监测技术的研究

驾驶疲劳后，驾驶员身体的各项生理指标会发生一些细微的变化，通过对这些生理信号变化的实时监测，就可以帮助判定驾驶员的疲劳状态。目前，疲劳状态监测通常采用的生理指标主要包括脑电（EEG）[5-7]、眼电（EOG）[8]、肌电（Electromyography，EMG）[9-11] 和心电（Electrocardiogram，ECG）[12，13] 等生理信号。研究发现，脑电信号与驾驶疲劳关系密切，故被称为驾驶疲劳检测的“金标准”[15]。

脑电信号是一种电生理信号，是由人类脑皮层神经细胞群活动所产生，医学研究发现，人疲劳或困倦时，脑电信号会发生显著变化，因此，被学者们广泛应用于驾驶疲劳研究领域。 文献[15]的研究发现，当驾驶疲劳时，驾驶员脑电波中的δ波和θ波会发生明显的增加变化，与驾驶疲劳具有较高的相关性。Eoh HJ的实验研究[5]表明，脑电波中β波和比值与驾驶员的警觉水平具有较强的关联性，通过脑电波特征值的提取，对驾驶疲劳的检测准确度可达到83.4%以上。刘天娇、马锦飞[7]通过模拟驾驶研究，发现驾驶员脑电合并指标（θ+α）/β在驾驶过程中呈现下降趋势，同时，实验验证了脑电指标（θ+α）/β可用于实时监测驾驶员的疲劳状态。胡淑燕、郑钢铁[16]在模拟驾驶环境下，通过采集驾驶员的脑电信号，采用自适应滤波去除噪声，提取了脑电信号中的75个频谱特征，利用朴素贝叶斯分类方法，构建了驾驶员疲劳监测模型，通过实验验证，模型有效率达到84%。

大脑的疲倦会传导到眼球，影响眼球的运动，当驾驶员出现疲劳驾驶时，其眼动次数、眨眼次数、以及眼睛的闭合时间等都会发生显著变化。因此，通过眼电信号特征的检测与统计，可以监测驾驶员的疲劳状态。眼电信号由眼动仪测得，参数主要包括眨眼次数、瞳孔大小以及眼睑闭合时间等。Caffier PP的研究[17]发现，人在精力充沛时，眨眼时的眼睑的闭合时间一般会低于120ms，当该时间在200ms-400ms之间时，表示被测试人已经开始疲劳，当达到400ms以上时，可以认为是明显的驾驶疲劳。文献[8]在模拟驾驶环境下，通过主观评价与眼睛闭合时间的检测，验证了驾驶疲劳与眼睑闭合时间的关联关系。文献[18]开发了一种车载检测装置，通过机器视觉检测眼睛的状态，来监测驾驶员的疲劳状态。

心电信号是医学上评价心脏病变的常用指标，医学研究发现，心率变异性（ Heart Rate Variability， HRV）与人的疲劳程度有较为密切的关联，故也被用于研究驾驶疲劳问题。文献[12，13]通过模拟实验研究了HRV谱功率分布与驾驶疲劳的关系，研究表明二者之间具有强相关关系。浙江大学的吴群[14]在模拟驾驶情境下，研究了驾驶过程中心电信号的时域、频域、非线性指标的变化规律。研究证明，随着驾驶疲劳程度的加深，心电信号的部分时、频域指标表现出比较明显的变化，非线性指标在表征驾驶疲劳的过程以及评价疲劳程度一致性方面表现更好。

驾驶疲劳后，驾驶员动作会变得僵硬，容易产生误操作或操作动作缓慢，因此，除上述指标外，表面肌电（Surface Wlectromyography，s EMG）信号也被用于监测驾驶疲劳。文献[9，10]的研究表明，EMG信号与驾驶疲劳具有较好的关联性，可用于监测驾驶疲劳。文献[19]通过颈部肌肉的EMG信号的近似熵，提出了一种监测驾驶疲劳的方法，方法有效度达到86.3%以上。天津科技大学的陈慧玲[11]在模拟驾驶环境下，测试研究了驾驶员部分肌肉群的EMG信号，研究发现相比男性驾驶员，女性驾驶过程中更容易产生肌肉疲劳，其中颈部和腰部肌肉是最容易疲劳的部位。

1.2   基于驾驶操纵参数的驾驶疲劳检测技术的研究

疲劳驾驶会导致驾驶员对车辆的控制明显异常，故驾驶操作参数也被用于监测疲劳驾驶，常用的参数包括方向盘转角、车道偏离以及驾驶员驾驶姿态等。

方向盘转角是最常用的监测驾驶疲劳的参数，在表征驾驶疲劳方面显示出较好的优势。文献[20]在美国艾奥瓦州大学国家先进模拟驾驶实验室的仪器上，通过检测方向盘转角参数，利用随机预测算法，研究了监测驾驶疲劳的方法。通过对72名被试驾驶员的测试，利用该算法成功从各种数据中分离出了驾驶疲劳状态下的车辆状态，研究表明，该方法同眼睛闭合检测方法相比，具有更好的准确性和时间上及时性。 文献[21]利用非线性特征构造理论，通过计算方向盘转角短时时间序列的近似熵（ApEn）和复杂度，建立了多级疲劳判定模型。在北京到秦皇岛的高速公路实际驾车环境下进行了实验验证，研究表明该模型对三级疲劳状态监测的正确率接近84.6%。

除方向盘转角参数外，轨道偏离参数也常被用于驾驶疲劳监测。文献[22]设计了一种模拟驾驶试验台，对20名驾驶员进行了疲劳驾驶实验，建立了轨道偏离参数与疲劳程度的判定模型，通过实验，验证了模型的有效性。吉林大学的LE DINH DAT[23]基于吉林大学国家重点实验室的在环试验台，针对12名被试设计进行了轨道偏离试验，利用独立样本T检验，辨识出驾驶疲劳情况下轨道偏离的特性参数，建立了高斯-隐马尔科夫疲劳车道偏离识别模型，并通过离线训练得到模型参数。通过比较不同模型及参数对识别效果的影响，得出了基于GM-HMM建立的疲劳车道偏离识别模型识别效果最优的结论。

驾驶员的困倦会引起驾驶姿态的变化，比如，驾驶员打瞌睡时，其坐姿的变化会导致其身体的重心改变，这可以通过在座椅上安装压力传感器，测量座椅负载中心的位置来检测。文献[24]将压力传感器安装于车辆座椅上，针对一名被试，通过模拟驾驶产生困倦，研究了驾驶员困倦时，座椅负载分布的变化。研究发现，刚开始时，负载在座椅上是均匀分布，而随着驾驶过程的发展，驾驶员产生困倦后，负载逐渐集中到座椅后部的某一点上。

1.3   基于驾驶员身体特征的疲勞监测技术的研究

驾驶员面部的部分信息以及头的运动等信号也可以很好地表征驾驶疲劳，比如眼睛闭合时间、注视时间、驾驶姿势、打哈欠、点头频率等都是反映驾驶疲劳的典型信号。总体上讲，基于驾驶员身体特征的疲劳监测技术按照检测部位可分为检测眼睛、嘴和头来实现，主要通过机器视觉和图像处理技术提取特征值。

眼睛状态的检测与眼动仪测得的眼电信号不同，是由图像采集设备获得，并通过图像处理技术得到特征信息。主要通过提取眼睛闭合的频次、上下眼皮的距离、以及眼睛睁开的百分比等参数来反映驾驶疲劳的程度。文献[25]在真实驾驶环境下，对5名驾驶员通过摄像头采集脸部影像，利用Haar-like特征提取脸部图像，利用水平投影和模板匹配方法从图像中分离出特征参数，根据眼部的不同状态将疲劳等级分为低疲劳、中等疲劳和高度疲劳。文献[26]将圆形摄像头安装在大客车驾驶室内，在真实驾车环境下，采集了23名驾驶员的脸部图像，通过现代图像处理技术，估算出眼睛睁开和闭合时间，联合利用这两个信息去判断驾驶疲劳，取得了较好的实际效果。陈昕等[27]通过图像处理，采用OpenCV中的Haar分类器，对驾驶员的脸部、眼睛进行检测，利用眼睛闭合时间判定驾驶疲劳状态，取得了较好的效果。

打哈欠是疲劳的典型表现，因此，打哈欠和嘴的张开也可用于表征驾驶员的疲劳状态。文献[28]在真实驾车环境下，通过采集驾驶员脸部图像，采用支持向量机技术和边缘斜度算法提取嘴部状态特征，利用计数器计数打哈欠的次数，来表征疲劳的程度，实验证明，该方法可以获得98%的精确度，不过，该文献没有提及被试的人数。文献[29]研究了驾驶员嘴部图像特征的提出方法，综合采用最大类间方差算法、连通成分标示法、投影法等现代图像处理方法，对采集的图像进行面部分割，并对嘴部进行定位。

驾驶疲劳时，尤其是困倦时，驾驶员会打盹，这在驾驶员的身体特征方面会表现出频繁的点头运动。通过视频图像的处理，计数单位时间内点头的次数，就可以检测驾驶疲劳。文献[30]采集了不同时间段、不同光照条件、不同姿态的驾驶员头部图像序列，采用时间序列挖矿算法，从中提取了500个融合Gabor特征向量以定义驾驶员的头部状态，该方法获得了接近99.2的极高准确度。

2    驾驶疲劳监测技术在车辆上的应用现状

随着驾驶疲劳监测研究的不断进步，现已有许多研究成果成功应用于汽车上。国内外各大汽车公司的部分高端车型上，大多配有驾驶疲劳监测与预警系统。国外汽车公司中，奔驰、大众、福特、丰田、日产、捷豹、沃尔沃等公司的部分车型上都安装了驾驶疲劳监测报警系统。此外，博世公司研发的DDDS监测系统已广泛应用于众多汽车公司的车型上，国内汽车公司中，比亚迪、吉利、一汽集团也有自己的驾驶疲劳监测系统[4，31，32]。

梅赛德斯-奔驰的 Attention Assist系统是德系汽车疲劳驾驶监测系统的代表，其主要监测方向盘角度、角加速度、车速、侧向加速度等车辆参数，综合驾驶员的驾驶行为等信息，对疲劳驾驶的驾驶员发出报警提醒信息。该系统于2011年就以应用于奔驰B级轿车上。大众公司的疲劳监测系统也是监测车辆操作参数，融合驾驶时间等因素估计驾驶员的疲劳水平，及时发出报警提示，该系统可主动触发，也可在行车4小时后自动触发。

福特公司的监测系统Driver Alert System除监测车辆操纵信息外，还监测驾驶员生理信息，该系统已在福克斯、Galaxy系列等车型上安装使用。丰田公司的疲劳监测系统Driver Monitor由日本株式会社研发，需配备红外摄像设备，以驾驶员的眼部特征和头部特征为监测对象。日产公司车辆配置的疲劳监测系统以电动助力转向系统的信息，融合车辆状态信号和车内环境信息，来判断驾驶员的疲劳状态。

沃尔沃公司的DAC（Driver Alert Control）不仅可以监测驾驶员的疲劳，还能监测驾驶员的注意力分散，该系统通过监测车辆操作信息、驾驶员的头部信息以及驾驶员的眼睛的状态来判断驾驶员的疲劳程度，该系统还可以融合车辆控制系统的其它信息，主动对车辆进行干预。捷豹F-Type将监测系统内置于转向盘内，通过监测驾驶员的面部运动和眼睛运动信息判断驾驶员的驾驶状态，该系统由澳大利亚 Seeing Machines 公司研制。

国内，清华大学研制开发的驾驶疲劳监测系统已应用于众泰M11、M12和陕汽重卡等车辆上;比亚迪BAWS系统通过采集驾驶员的眼部、头部信息来监测驾驶疲劳，配有摄像头、红外传感器等硬件;吉利领克的DAC监控系统采用了沃尔沃的技术;一汽集团研发的红旗H7 DSM系统基于驾驶员的眼部和头部运动信息，结合车辆运行轨迹等信息，来判断驾驶员的疲劳状态。其它汽车公司的监测系统主要以应用国外产品为主。

3    驾驶疲劳监测的发展趋势及存在问题

3.1   发展趋势

近年来，随着计算机应用技术的快速发展，驾驶疲劳监测技术的进展有了较大的突破，从技术上来说，主要向多信息融合以及智能化方向发展。

（1）多信息融合技术的应用

虽然研究者用尽各种先进算法，意图提高疲劳驾驶监测的准确度，但利用单一信息判定驾驶疲劳的准确度依然很难达到理想程度，故近些年的研究多利用多信息融合技术，比如多种生理信号的融合、眼部状态与头部状态等身体信号的融合、生理信号与身体信号的融合、以及车辆操纵信号与驾驶员身体信号的融合等。通过多信息融合技术，对驾驶疲劳状态的判别准确度有了极大的提升[33-36]。

（2）智能化技术的应用

在最初的研究中，信号特征值的提取一般采用数学模型，比如利用数学统计法、小波变换、灰度、二值化、Haar-like特征等各种算法，提取脑电、心电、图像信号中的特征信息。而后，基于规则的模糊推理等方法被用于判别驾驶疲劳，近几年的研究，支持向量机、神经网络、卷积神经网络、迁移学习等人工智能技术被广泛应用于驾驶疲劳检测中[37-40]。

3.2   存在问题

在国内外专家学者的努力下，驾驶疲劳监测技术的研究取得了许多极有价值的研究成果，对推进交通驾驶安全作出了巨大的貢献，但依然存在许多问题。

（1）基于生理信号的监测虽然作为理论研究有很大的学术价值，但由于需要附加额外的检测设备，会对驾驶带来不便，因此在车辆上很少采用。

（2）基于驾驶员脸部、头部特征的监测方法需要视频采集设备，而普通的摄像头由于受光照影响，不能满足全天候监测，而红外摄像设备价格较高，影响了广泛采用。

（3）基于车辆操纵参数的监测不需要额外的设备、亦不受光照影响，但受到具体车型特性的影响，较难统一评价标准，且非汽车生产厂家的研究者较难获得车辆操纵的内部参数。

（4）理论研究和技术开发不平衡，通过文献检索可以发现，从事理论研究的学术文章数量较大，但真正转化为产品的较少，产学研的融合深度不够。

4    展望

在我国，由于国土幅员辽阔，高速公路网络建设发展迅速，加之国人具有在重要节日回家团聚的习惯，长途驾驶有其存在的必然性，这也导致了驾驶疲劳的普遍存在。自动驾驶技术虽然可以永久地解决疲劳驾驶问题，但由于技术及成本等问题，其全面普及尚需时日。在此之前，对驾驶疲劳问题的研究依然具有重要的意义。

今后，对驾驶疲劳监测技术的研究应强化产、学结合，产、研融合，校、企协同创新，加强应用技术研究。

其实，对驾驶员来讲，无需检测，自己就能够较为精确地主观判断是否疲劳，但大多数驾驶员依然会选择继续驾驶。一方面是对疲劳驾驶的危害认识不够，另一方面，是存有侥幸心理。但目前的研究，只是检测到疲劳后进行报警提醒，而没有确定一个疲劳的标准，强制驾驶员停止驾驶。今后的研究应从两方面努力，一是如何确定疲劳的危险点，超过这个临界后，应采取措施，强制驾驶员在规定时间内停车休息;二是对临界点以下的疲劳，研究干预措施，通过干预减缓和降低驾驶员的疲劳程度，提高其继续驾车的安全性。

参考文献：

[1]交通运输部公路科学研究院.2019年中国道路交通安全蓝皮书[M].北京： 人民交通出版社股份有限公司，2020：26-27.

[2]李都厚，刘群，袁伟等.疲劳驾驶与交通事故关系[J]. 交通运输工程学报，2010（4）：104-109.

[3]戚基艳.汽车驾驶疲劳分析及其监测[J].汽车科技，2011（1）：34-38.

[4]Gulbadan Sikander， Shahzad Anwar. Driver Fatigue Detection Systems： A Review[C]. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS，2019，20（6）：2339-2352.

[5]Eoh HJ，Chung MK，Kim SH. Electroence-phalographic Study of Drowsiness in Simulated Driving with Sleep Deprivation[J].International Journal of Industrial Er-gonomics，2005，35（4） ： 307 - 320.

[6]Li W，He Q，Fan X，et a1.Evaluation of driver fatigue on two channels of EEG data[J] Neuroscience Letters，2012，506（2）：235-239.

[7]刘天娇，马锦飞.高速公路驾驶员主动疲劳的脑电检测分析[J].中国安全科学学报. 2018，28（10）：13-18.

[8]Benedetto S，Pedrotti M，Minin L，et a1.Driver workload and eye blink duration[J].Transportation research part F：traffic psychology and behaviour，2011，14（3）199-208.

[9]V. Balasubramanian and K. Adalarasu，EMG-based analysis of change in muscle activity during simulated driving[ J]. Bodywork Movement Therapies，vol. 11，no. 2，pp. 151-158，2007.

[10]Driver Alertness Detection System Research Using Capacitive Sensor Array. Kithil P. W， Jones R.D. etc. Proceedings of the First International Driving Symposium on Human Factor in Driver Assessment Training and Vehicle Design . 2001.

[11]陳慧玲.基于表面肌电的人体驾驶疲劳特性研究[D].天津：天津科技大学，2017.

[12]Khushaba R N，Kodagoda S，Liu D，et a1.Muscle computer interfaces for driver distraction reduction[J].Computer methods and programs in biomedicine，2013，110（2）：137-149.

[13]Zhao C，Zhao M，Liu J，et a1.Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J].Accident Analysis&Prevention，2012，45：83-90.

[14]吴群.基于心电信号的驾驶疲劳检测方法研究[D].杭州：浙江大学，2008.

[15]Lal SK，Craig A. A critical review ofthe psychophysiology ofdriver fatigue[J].Biological psychology，2001，55（3）：173—194.

[16]胡淑燕，郑钢铁. 基于 EEG频谱特征的驾驶员疲劳监测研究[J]. 中国安全生产科学技术.2010（6）：90-93.

[17]Caffier PP，Erdmann U，Ullsperger P.Experimental E-valuation of Eye-blink Parameters as A Drowsiness Measure[J]. European Journal of Applied Physiology，2003，89（3-4）： 319 - 325.

[18]Xu X，Cui X，Wang G，et al.A New Method for Driver Fatigue Detection Based on Eye State[C]. Interna-tional Conference on Rough Sets and Knowledge Technology.Springer International Publishing，2015： 513-524.

[19]Zhang CH，Wang H，Fu RR. Automated Detection of Driver Fatigue Based on Entropy and Complexity Measures[J]. The Institute of Electrical and Electronics Engineers Transactions on Intelligent Transportation System，2014，15（ 1） ： 168-177.

[20]A. D. McDonald， C. Schwarz， J. D. Lee， et al. Real-time detection of drowsiness related lane departures using steering wheel angle[C] in Proc. Hum. Factors Ergonom. Soc. Annu. Meeting， vol. 56，no. 1. Los Angeles，CA，USA： Sage，2012，pp. 2201–2205.

[21]Z. Li，S. E. Li， R. Li，B. Cheng， and J. Shi， Online detection of driver fatigue using steering wheel angle for real driving conditions[J]. Sensors， vol. 17， no. 3，p. 495，2017.

[22]J. H. Yang，Z.-H. Mao，L. Tijerina， T. Pilutti， J. F. Coughlin，and E. Feron，Detection of driver fatigue caused by sleep deprivation[J]. IEEE Trans. Syst.，Man，Cybern. A，Syst. Humans，vol. 39，no. 4，pp. 694–705，Jul. 2009.

[23]LE DINH DAT. 面向駕驶员疲劳车道偏离识别方法研究[D].长春：吉林大学，2017.

[24]S. Furugori，N. Yoshizawa， C. Iname，and Y. Miura，Estimation of driver fatigue by pressure distribution on seat in long term driving[J]. Rev. Automot. Eng.，vol. 26，no. 1，pp. 053–058， 2005.

[25]M.-H. Sigari， M. Fathy，and M. Soryani， A driver face monitoring system for fatigue and distraction detection[J].Int. J. Veh. Technol.， vol. 2013， Nov. 2013，Art. no. 263983.

[26]B. Mandal，L. Li，G. S. Wang， and J. Lin. Towards detection of bus driver fatigue based on robust visual analysis of eye state[J]. IEEE Trans. Intell. Transp. Syst.， vol. 18， no. 3， pp. 545–557， Mar. 2017.

[27] 陈昕，朱国华，张驰等.基于眼睛闭合状态的驾驶疲劳检测方法[J]. 辽宁工业大学学报（自然科学版），2018，38（3）：182-186.

[28]N. Alioua，A. Amine，and M. Rziza. Driver’s fatigue detection based on yawning extraction[J]. Int. J. Veh. Technol.，vol. 2014，Aug. 2014，Art. no. 678786.

[29]孙萱 . 基于单目视觉的驾驶员嘴部分割与定位方法研究 [D]. 吉林大学，2007.

[30]L. Wang，H. Yang， X. Jiang， and X. Feng，“Gabor-based facial image sequential pattern mining for human fatigue monitoring，” Int. J. Adv. Comput. Technol.，vol. 3，no. 6，pp. 26–33，2011.

[31]于立娇，吴振昕，王文彬等. 驾驶员疲劳状态监测系统综述[J].汽车文摘，2019（3）：24-29.

[32]于琦.汽车驾驶员驾驶疲劳监测及技术发展分析[J].时代汽车，2018（3）：10-11.

[33]黄占鳌，史晋芳.多特征融合的驾驶员疲劳检测研究[J].机械科学与技术.2018，37（11）：1750-1754.

[34]Satzoda R K，Trivedi M M. Drive analysis using vehicle dynamics and vision-based lane semantics[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16（ 1） ： 9-18.

[35] Mbouna R O，Kong S G，Chun M G. Visual analysis of eye state and head pose for driver alertness monitoring[J].IEEE Transactions on Intelligent Transportation Systems，2013，14（3） ： 1462-1469.

[36]Craye C，Rashwan A，Kamel M S，et al. A multi-modal driver fatigue and distraction assessment system[J]. International Journal of Intelligent Transportation Systems Research，2016，14（3）：173-194.

[37]Patel M，Lala SKL，Kavanagha D，et al. Applying Neural Network Analysis on Heart Rate Variability Data to Assess Driver Fatigue[J]. Expert Systems with Applications，2011，38（6） ： 7235-7242.

[38]徐軍莉，闵建亮，胡剑锋等.定性推理生成器在驾驶疲劳检测中的应用[J].汽车安全与节能学报，2018，9（1）：32-40.

[39]王斐，吴仕超，刘少林等.  基于脑电信号深度迁移学习的驾驶疲劳检测[J].电子与信息学报，2019，41（9）：2264-2271.

[40]庄员，戚湧.伪3D卷积神经网络与注意力机制结合的疲劳驾驶检测[J].中国图像图形学报，2021，26（1）：143-153.

专家推荐语

陈孟春

襄阳达安汽车检测中心有限公司

氢燃料汽车试验研究副总师  研究员级工程师

本文通过对驾驶疲劳监测技术综述，详细讲解了基于生理指标的驾驶疲劳监测技术、驾驶操纵参数的驾驶疲劳检测技术、基于驾驶员身体特征的疲劳监测技术方法和原理，并分析了驾驶疲劳监测技术在车辆上的应用现状，驾驶疲劳监测的发展趋势及存在问题及发展展望，有一定参考价值。